Pratiques avancées de l’analyse géométrique des données

Author

Viviane LE HAY

Published

May 13, 2025

Atelier Méthodes CED

Objectifs

Ce document détaille pas à pas les étapes de réalisation des analyses géométriques les plus simples quand on débute dans l’application de cette méthode avec R studio :

  • Analyse en composantes principales (ACP)
  • Analyse des correspondances multiples (ACM)
  • Analyse des correspondances multiples spécifiques (ACM spé)

Les exemples que nous utiliserons ici sont tirés de la littérature académique (avec accès aux données utilisées par leurs auteur/ices) :

  • ACP : Mayer Nonna, 2013, « Les effets politiques de la crise. Le vote des personnes pauvres et précaires en 2012 », Informations sociales, 180(6) : 52-59.
  • ACP : Safi Mirna, 2006, « Le processus d’intégration des immigrés en France : inégalités et segmentation », Revue française de sociologie, 47(1) : 3-48.
  • ACM : Duval Julien, 2006, « L’art du réalisme. Le champ du cinéma français au début des années 2000 », Actes de la recherche en sciences sociales, 161-162 : 96-115
  • ACM : Le Hay Viviane, Vedel Thierry et Chanvril Flora, 2011 « Usage des médias et politique : une écologie des pratiques informationnelles », Réseaux, (170) : 46-73.

NB : des éléments de syntaxe de R peuvent être retrouvés ici : https://iqss.github.io/dss-workshops/R/Rintro/base-r-cheat-sheet.pdf

Préalables : installer et charger les packages

Dans notre cas, il est possible de simplifier l’installation et le chargement des packages en faisant appel au fichier requirements.R qui liste l’ensemble des éléments nécessaires. (À condition qu’il soit bien dans le dossier depuis lequel vous exécutez votre code R)

Code 
source("requirements.R")

Exécuter la commande ci-dessus revient à installer les packages et les charger, processus sinon détaillé ci-dessous.

Installation des packages utiles

script pour chaque package : install.packages(“NomPackage”)

Liste des packages les plus utiles pour ce qui nous concerne :

  • AGD : Factoshiny, FactoMineR, FactoInvestigate, GDAtools
  • Visualisation de graphes : ggplot2, ggpmisc, ggrepel
  • Manipulation : dplyr
Code 
# install.packages("Factoshiny")
# install.packages("FactoMineR")
# install.packages("shiny")
# install.packages("ggplot2") 
# install.packages("FactoInvestigate") 
# install.packages("ggpp")
# install.packages("dplyr") 
# install.packages("ggpmisc")
# install.packages("ggrepel")
# install.packages("readxl")
# install.packages("haven")
# install.packages("GDAtools")
# install.packages("sf")
# install.packages("questionr")

Chargement des packages utiles

script pour chaque package : library(“NomPackage”)

Code 
# library(Factoshiny)
# library(FactoMineR)
# library(shiny)
# library(ggplot2)
# library(FactoInvestigate)
# library(ggpp)
# library(dplyr)
# library(ggpmisc)
# library(ggrepel)
# library(readxl)
# library(haven)
# library(GDAtools)
# library(sf)
# library(questionr)

# TODO: vérif mais installé et chargé par défaut non ?
# Peut virer pour nettoyer ?
#library(stats)
#library(base)

Exemple 1 : Mise en oeuvre simple pour apprivoiser R et comprendre “ce que fait” l’ACP

Un mini jeu de données à 2 variables continues
–> Taux de chômage en France 2000 / 2007 (données OCDE)

Import & vérification du fichier dans R (statistiques descriptives)

Opération possible via le menu déroulant de Rstudio (le fichier est dans cet exemple au format excel) :

File –> Import Dataset –> From Excel

Ou sinon directement en code en exécutant la commande suivante :

Code 
# ici il faut possiblement adapter le chemin à sa propre arborescence
ex1 <- read_excel("data/EX1_DonneesOCDE_Base2.xls")

ex1 = c’est le nom choisi ici qui servira à appeler le jeu de données dans R dans la suite de cet exemple. Vous pouvez tout aussi bien l’appeler ‘fraise’ si vous le souhaitez – vous l’écrivez alors ainsi dans le script :

fraise <- read_excel("ex5b-trivial-acp.xls")

NB : Il est plus simple de choisir un nom court, facile à manipuler.

Je peux ensuite visualiser mon fichier avec View() ou afficher les premiers éléments avec head() :

Code 
# View(ex1) # Décommenter cette ligne pour utiliser view

# view vous sera utile dans Rstudio ou équivalent
# mais comme il ouvre un autre objet, on se contente ici d'afficher
# les premières lignes du fichier avec head()
head(ex1)
# A tibble: 6 × 5
  id                TxChmge2000 TxChmge2007 TxChmge2000CR TxChmge2007CR
  <chr>                   <dbl>       <dbl>         <dbl>         <dbl>
1 Paris                   10.2         9.16         0.126        0.871 
2 Seine-et-Marne           6.55        6.64        -1.09        -0.556 
3 Yvelines                 6.31        6.38        -1.16        -0.707 
4 Essonne                  6.45        6.12        -1.12        -0.855 
5 Hauts-de-Seine           7.93        7.55        -0.632       -0.0422
6 Seine-Saint-Denis       13.2        11.5          1.11         2.20

Statistiques descriptives (variables continues)

Je peux également afficher les principales stats (min, max, médiane, moyenne, quartiles) avec summary()

Code 
summary(ex1)
      id             TxChmge2000      TxChmge2007     TxChmge2000CR    
 Length:95          Min.   : 5.034   Min.   : 4.478   Min.   :-1.5852  
 Class :character   1st Qu.: 8.069   1st Qu.: 6.400   1st Qu.:-0.5856  
 Mode  :character   Median : 9.277   Median : 7.341   Median :-0.1879  
                    Mean   : 9.848   Mean   : 7.625   Mean   : 0.0000  
                    3rd Qu.:10.825   3rd Qu.: 8.556   3rd Qu.: 0.3220  
                    Max.   :21.472   Max.   :12.205   Max.   : 3.8279  
 TxChmge2007CR    
 Min.   :-1.7831  
 1st Qu.:-0.6942  
 Median :-0.1611  
 Mean   : 0.0000  
 3rd Qu.: 0.5272  
 Max.   : 2.5944

Visualisation du nuage de points des variables initiales

Code 
ggplot(ex1, aes(x = TxChmge2000CR, y = TxChmge2007CR)) +
  geom_point(color = "#EF6A40", size = 3) +
  geom_text(aes(label = id), hjust = -0.1, vjust = 0.5, size = 3) +
  theme_minimal() +
  labs(
    title = "Ici je peux mettre un titre",
    x = "légende pour l'axe x",
    y = "légende pour l'axe y"
  )

Dico script R

  • geom_point : taille et couleur des points
  • geom_text : label et ajustement des points
  • labs : titre du graphes et des axes

Trucs et astuces

Etiqueter sans chevauchement de labels : package ggrepel

Code 
ggplot(ex1, aes(x = TxChmge2000CR, y = TxChmge2007CR)) +
  geom_point(color = "steelblue", size = 3) +
  geom_text_repel(aes(label = id), size = 3, max.overlaps = Inf) +
  theme_minimal() +
  labs(
  title = "Ici je peux mettre un titre",
    x = "légende pour l'axe x",
    y = "légende pour l'axe y"
  )

Sélectionner certains points que l’on souhaite étiqueter (et pas les autres) : packages dplyr et ggpmisc

==> J’appelle ce graphe intermédiaire “p”

Dans le script ci-dessous, c’est ce que signifie : ==> p <-

Code 
# Identifier les points extrêmes à annoter (par exemple sur Y)
points_a_annoter <- ex1 %>%
  arrange(TxChmge2007CR) %>%
  slice_head(n = 5) %>%    # les 5 plus bas
  bind_rows(
    ex1 %>% arrange(desc(TxChmge2007CR)) %>% slice_head(n = 7)  # les 7 plus hauts
  )
# Ajouter aussi le point avec la valeur maximale sur l'axe X
points_max_pop <- ex1 %>% arrange(desc(TxChmge2000CR)) %>% slice_head(n = 9)

# Combiner avec les autres extrêmes
points_a_annoter <- ex1 %>%
  arrange(TxChmge2000CR) %>%
  slice_head(n = 7) %>%
  bind_rows(
    ex1 %>% arrange(desc(TxChmge2007CR)) %>% slice_head(n = (7)),
    points_max_pop
  ) %>%
  distinct()  # pour éviter les doublons

# Nuage de points avec étiquettes seulement sur les points extrêmes
p <- ggplot(ex1, aes(x = TxChmge2000CR, y = TxChmge2007CR)) +
  geom_point(color = "steelblue", size = 3) +
  geom_text_repel(
    data = points_a_annoter,
    aes(label = id),
    size = 3
  ) +
  theme_minimal() +
  labs(
 title = "Ici je peux mettre un titre",
    x = "légende pour l'axe x",
    y = "légende pour l'axe y"
  )
print(p)

Ajout de la droite de régression au graphe “p” déjà construit

Code 
library(ggpmisc)
# Nuage de points avec étiquettes seulement sur les points extrêmes
# + ajout de la droite de régression avec geom_smooth

p +
  geom_smooth(method = "lm", se = TRUE, color = "darkred") +
  stat_poly_eq(
    aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~")),
    formula = y ~ x,
    parse = TRUE,
    size = 4,
    color = "darkred"
  )

Facultatif : ACP dans Factoshiny

Factoshiny permet de faire une exploration rapide du résultat de l’analyse géométrique.

Code 
# script en commentaire pour qu'il ne s'exécute pas dans le notebook
# acp <- Factoshiny(ex1)
Dès lors que l’on est dans Factoshiny, on peut cocher :

Qui fournit le script associé aux opérations menées en click-bouton.

On peut ensuite le copier-coller dans la console R : - pour garder la trace de ce que l’on a fait - pour améliorer, via le script, les graphiques initiaux réalisés par Factoshiny

ATTENTION - Pour retourner dans la console R quand on a joué avec Factoshiny (sans que R ne bugge), il ne faut pas oublier de cliquer sur :

On peut ensuite reproduire le code créé par Factoshiny dans R :

Code 
res.PCA<-PCA(ex1,quali.sup=c(1),quanti.sup=c(4,5),graph=FALSE)
plot.PCA(res.PCA,choix='var')

Code 
plot.PCA(res.PCA,invisible=c('ind','ind.sup'),select='contrib  95',cex=0.5,cex.main=0.5,cex.axis=0.5,label =c('quali'))

Code 
# Affichage des infos résumées 
# Ici on éviter pour alléger le notebook
# summary(res.PCA)  # Décommenter si besoin

Exemple 2 : ACP article M. Safi

Import & vérification du fichier dans R

Comme vu précédemment, il est possible de charger les données via le menu déroulant de Rstudio. Ci-dessous, on passe plutôt par des lignes de code.

Code 
safi <- read_excel("data/EX2_ACP_MirnaSAFI_Extract.xls")
head(safi)
# A tibble: 6 × 6
    app  cult   nor   mix   eco inat3          
  <dbl> <dbl> <dbl> <dbl> <dbl> <chr>          
1  0    0.300 0.5   0.667 0.611 Portugal       
2  0.5  0.5   0.833 0.833 0.667 Portugal       
3  0.5  0.875 1     0.583 0.583 Portugal       
4  0.75 0.833 0.333 0.833 0.361 Autres         
5  1    0.5   0.583 0.667 0.833 Asie du Sud-Est
6  0    0.5   0.583 0.375 0.417 Portugal

safi = le nom qui servira à appeler le jeu de données dans R dans la suite de l’exercice.

Statistiques descriptives (variables continues) :

Code 
# Afficher les infos résumées
# Ici on évite pour alléger le notebook
# summary(safi)  # Décommenter si besoin

Facultatif : ACP dans Factoshiny

Comme vu précédemment, Factoshiny permet de faire une exploration rapide du résultat de l’analyse géométrique.

Code 
# script en commentaire pour qu'il ne s'exécute pas dans le notebook
# acp <- Factoshiny(safi)

ATTENTION - Penser à cliquer sur “[x] Quit the app” pour retourner dans la console R quand on a joué avec Factoshiny (sans que R ne bugge)

Réaliser l’ACP

Code 
# graphiques initiaux réalisés dans Factoshiny
res.PCA<-PCA(safi,quali.sup=c(6),graph=FALSE)
plot.PCA(res.PCA,choix='var')

Code 
# Colorier les individus selon le pays
plot.PCA(res.PCA,invisible=c('ind.sup'),habillage=6,cex=0.8,cex.main=0.8,cex.axis=0.8,label =c('quali', cex = 3, col = "black"))

Code 
# Afficher les barycentres des modalités de variable supplémentaire pays
# (possible de peauffiner pour avoir un résultat plus satisfaisant)
plot.PCA(res.PCA,invisible=c('ind.sup'),cex=1.2,cex.main=1.2,cex.axis=1.2,label =c('quali'))

Code 
# Afficher les résumés et détails 
# Ici on ne lance pas pour alléger le notebook
# summary(res.PCA) # Décommenter si besoin
# dimdesc(res.PCA) # Décommenter si besoin

Exemple 3 : ACP N. Mayer (epices)

A VOUS DE JOUER !!

On vous remet toutefois ci-dessous une proposition d’exploration telle que vue en séance.

Charger les données

Code 
#library(haven)
# bug ici chez viviane si on rappelle pas haven
# Et visiblement chez moi dans Rstudio
# Mais pas dans vscode ???
# TODO: check pourquoi the what of the fuck

# ici haven est utilisé pour lire le fichier .dta
# (déjà chargé plus haut)
epices <- read_dta("data/EX3_Epices.dta")
head(epices)
# A tibble: 6 × 26
  numquest EPICES EPICESX QUINTEPI  Sport_Non Spectacle_Non Vacances_Non
     <dbl>  <dbl>   <dbl> <dbl+lbl>     <dbl>         <dbl>        <dbl>
1        1   21.9    15.9 1 [2.0]           2             1            1
2        2   48.5    44.6 4 [5.0]           1             1            1
3        3   45.6    41.4 4 [5.0]           2             1            2
4        4   48.5    44.6 4 [5.0]           1             1            1
5        5   78.7    77.1 4 [5.0]           2             2            2
6        6   28.4    22.9 2 [3.0]           2             1            1
# ℹ 19 more variables: Contact_Famille_Non <dbl>, Hébergement_Non <dbl>,
#   SRevenuUC_Faible <dbl>, Propriétaire_Non <dbl>, SBienRapport_Non <dbl>,
#   STerre_Non <dbl>, SActions_Non <dbl>, SEconomies_Non <dbl>,
#   STéléphoneMobile_Non <dbl>, SOrdiPortable_Non <dbl>, SVoiture_Non <dbl>,
#   SLaveVaisselle_Non <dbl>, SInternet_Non <dbl>, SPatrimoine_Faible <dbl>,
#   SEmprunts_Importants <dbl>, Mutuelle_Non <dbl>, Couple_Non <dbl>,
#   Difficultés_Financières_Oui <dbl>, Ass_Sociale_Oui <dbl>

Facultatif : aller dans Factoshiny

Code 
# Décommenter la ligne du dessou si l'on veut manipuler dans Factochiny :
# acp <- Factoshiny(epices)

Faire l’ACP

Code 
# Réaliser l'ACP
res.PCA<-PCA(epices,quanti.sup=c(1,2,3,4,10,12,13,14,15,16,17,18,19,20,21,22),graph=FALSE)

# Sortir une représentation graphique
plot.PCA(res.PCA,choix='var',cex=0.75,cex.main=0.75,cex.axis=0.75,
         col.quanti.sup='#0000FF')
Warning: ggrepel: 5 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Code 
plot.PCA(res.PCA)

Code 
# Sortir les stats (ici on éviter pour alléger le notebook) :
# summary(res.PCA) # Décommenter si besoin
# dimdesc(res.PCA) # Décommenter si besoin

Exemple 4 : ACM Julien DUVAL (Cinéma)

A VOUS DE JOUER !!

Pour aller plus loin

Pour l’ACM, on suggère de faire les graphes dans R-Studio via le package GDAtool.

Quelques ressources :

On propose également ci-dessous une version rapide (et perfectible) du code vu durant la séance.

Faire l’ACM

Code 
# Charger les données
duval <- read_excel("data/EX4_Cinema_GDAtools.xlsx")

# Faire l'ACM
mca_duval<-MCA(duval,quanti.sup=c(1),quali.sup=c(17),graph=FALSE)

# Sortir les stats
# summary(mca_duval) # Décommenter si besoin
# dimdesc(mca_duval) # Décommenter si besoin

# Visualiser
plot.MCA(mca_duval, choix='var',col.quali.sup='#006400')

Code 
plot.MCA(mca_duval,invisible= 'ind',col.quali.sup='#006400',label =c('var','quali.sup'))

On peut également aller regarder les eigenvalues et les taux modifiés de Benzecri :

Code 
mca_duval$eig
       eigenvalue percentage of variance cumulative percentage of variance
dim 1  0.21332254              12.307070                          12.30707
dim 2  0.18894143              10.900467                          23.20754
dim 3  0.10058452               5.802953                          29.01049
dim 4  0.09653844               5.569526                          34.58002
dim 5  0.08489679               4.897892                          39.47791
dim 6  0.08079175               4.661063                          44.13897
dim 7  0.07834366               4.519827                          48.65880
dim 8  0.07566525               4.365303                          53.02410
dim 9  0.06951334               4.010385                          57.03448
dim 10 0.06820379               3.934834                          60.96932
dim 11 0.06742118               3.889683                          64.85900
dim 12 0.06071324               3.502687                          68.36169
dim 13 0.05856164               3.378556                          71.74024
dim 14 0.05420357               3.127129                          74.86737
dim 15 0.05230522               3.017609                          77.88498
dim 16 0.04622018               2.666549                          80.55153
dim 17 0.04526385               2.611376                          83.16291
dim 18 0.04380656               2.527301                          85.69021
dim 19 0.04004370               2.310213                          88.00042
dim 20 0.03761535               2.170116                          90.17054
dim 21 0.03568989               2.059032                          92.22957
dim 22 0.03276323               1.890186                          94.11976
dim 23 0.02846471               1.642195                          95.76195
dim 24 0.02620882               1.512047                          97.27400
dim 25 0.02579505               1.488176                          98.76218
dim 26 0.02145561               1.237824                         100.00000
Code 
modif.rate(mca_duval)
$raw
            eigen      rate  cum.rate
dim 1  0.21332254 12.307070  12.30707
dim 2  0.18894143 10.900467  23.20754
dim 3  0.10058452  5.802953  29.01049
dim 4  0.09653844  5.569526  34.58002
dim 5  0.08489679  4.897892  39.47791
dim 6  0.08079175  4.661063  44.13897
dim 7  0.07834366  4.519827  48.65880
dim 8  0.07566525  4.365303  53.02410
dim 9  0.06951334  4.010385  57.03448
dim 10 0.06820379  3.934834  60.96932
dim 11 0.06742118  3.889683  64.85900
dim 12 0.06071324  3.502687  68.36169
dim 13 0.05856164  3.378556  71.74024
dim 14 0.05420357  3.127129  74.86737
dim 15 0.05230522  3.017609  77.88498
dim 16 0.04622018  2.666549  80.55153
dim 17 0.04526385  2.611376  83.16291
dim 18 0.04380656  2.527301  85.69021
dim 19 0.04004370  2.310213  88.00042
dim 20 0.03761535  2.170116  90.17054
dim 21 0.03568989  2.059032  92.22957
dim 22 0.03276323  1.890186  94.11976
dim 23 0.02846471  1.642195  95.76195
dim 24 0.02620882  1.512047  97.27400
dim 25 0.02579505  1.488176  98.76218
dim 26 0.02145561  1.237824 100.00000

$modif
              mrate cum.mrate
dim 1  54.780529523  54.78053
dim 2  38.080354715  92.86088
dim 3   2.930110291  95.79099
dim 4   2.272738011  98.06373
dim 5   0.846460033  98.91019
dim 6   0.508170692  99.41836
dim 7   0.347287703  99.76565
dim 8   0.206241502  99.97189
dim 9   0.020639644  99.99253
dim 10  0.006017926  99.99855
dim 11  0.001449962 100.00000

Ou encore aller vérifier les descriptions et contributions aux dimensions

Code 
# # Décommenter si vous voulez la sortie
# # ici on évite pour alléger le notebook
# dimdescr(mca_duval, vars = NULL, dim = c(1,2),
#          limit = NULL, correlation = "pearson",
#          na.rm.cat = FALSE, na.value.cat = "NA", na.rm.cont = FALSE,
#          nperm = NULL, distrib = "asympt",
#          shortlabs = TRUE)
# dimcontrib(mca_duval, dim = c(1,2), best = TRUE)

Visualiser le nuage des individus

Code 
# ici dans le plan 1-2 ==> axes = c(1,2)
ggcloud_indiv(mca_duval, type = "i", points = "all", axes = c(1,2),
              col = "dodgerblue4", point.size = 0.5, alpha = 0.6,
              repel = FALSE, text.size = 2,
              density = NULL, col.contour = "darkred", hex.bins = 50, 
              hex.pal = "viridis" )  +
  coord_fixed(ratio = 1) # fixer le ratio/proportion

Remarque : il est (très) utile d’avoir recours à coord_fixed(ratio = 1)afin de fixer le ratio des axes des X et Y et de conserver les proportions.

Visualiser le nuage des modalités

Nuage de TOUTES les modalités actives

Code 
# nuage de TOUTES les modalités actives
# toujours dans le plan 1-2
# toutes les modalités : points = "all"
ggcloud_variables(mca_duval, axes = c(1,2), points = "all",
                  min.ctr = NULL, max.pval = 0.01, face = "pp",
                  shapes = TRUE, prop = NULL, textsize = 3, shapesize = 3,
                  col = NULL, col.by.group = TRUE, alpha = 1,
                  segment.alpha = 0.5, vlab = FALSE, legend = "right",
                  force = 1, max.overlaps = Inf) +
  coord_fixed(ratio = 1)

Nuage des modalités actives qui contribuent à l’axe horizontal

Code 
# Nuage des modalités actives qui contribuent à l'axe horizontal
# toujours dans le plan 1-2
# toutes les modalités : points = "besth"
ggcloud_variables(mca_duval, axes = c(1,2), points = "besth",
                  min.ctr = NULL, max.pval = 0.01, face = "pp",
                  shapes = TRUE, prop = NULL, textsize = 3, shapesize = 3,
                  col = NULL, col.by.group = TRUE, alpha = 1,
                  segment.alpha = 0.5, vlab = FALSE, legend = "right",
                  force = 1, max.overlaps = Inf)+
  coord_fixed(ratio = 1)

Nuage des modalités actives qui contribuent à l’axe vertical

Code 
# Nuage des modalités actives qui contribuent à l'axe vertical
# toujours dans le plan 1-2
# toutes les modalités : points = "bestv"
ggcloud_variables(mca_duval, axes = c(1,2), points = "bestv",
                  min.ctr = NULL, max.pval = 0.01, face = "pp",
                  shapes = TRUE, prop = NULL, textsize = 3, shapesize = 3,
                  col = NULL, col.by.group = TRUE, alpha = 1,
                  segment.alpha = 0.5, vlab = FALSE, legend = "right",
                  force = 1, max.overlaps = Inf)+
  coord_fixed(ratio = 1)

Nuage des modalités actives qui contribuent aux 2 axes

Code 
# Nuage des modalités actives qui contribuent aux 2 axes
# toujours dans le plan 1-2
# toutes les modalités : points = "besthv"
ggcloud_variables(mca_duval, axes = c(1,2), points = "besthv",
                       min.ctr = NULL, max.pval = 0.01, face = "pp",
                       shapes = TRUE, prop = NULL, textsize = 3, shapesize = 3,
                       col = NULL, col.by.group = TRUE, alpha = 1,
                       segment.alpha = 0.5, vlab = FALSE, legend = "right",
                       force = 1, max.overlaps = Inf)+
  coord_fixed(ratio = 1)

Superposition de variables supplémentaires ‘au compte-gouttes’

Code 
# Superposition de variables supplémentaires 'au compte-gouttes'
# ici WW

# Step 1: on reprend le plot de base et on le stocke dans p
p <- ggcloud_variables(mca_duval, axes = c(1,2), points = "besthv",
                       min.ctr = NULL, max.pval = 0.01, face = "pp",
                       shapes = TRUE, prop = NULL, textsize = 3, shapesize = 3,
                       col = NULL, col.by.group = TRUE, alpha = 1,
                       segment.alpha = 0.5, vlab = FALSE, legend = "right",
                       force = 1, max.overlaps = Inf) +
  coord_fixed(ratio = 1)

# Step 2: prépa ajout des variables supplémentaires
duval$WW <- as.factor(duval$WW)
freq(duval$WW)
                n    % val%
Aucun         196 78.4 78.4
France         27 10.8 10.8
International   6  2.4  2.4
LesDeux        21  8.4  8.4
Code 
# ajout au plot existant
p <- ggadd_supvar(p, mca_duval, duval$WW, axes = c(1,2), 
                  col = "black", shape = 1, prop = NULL, 
                  textsize = 3, shapesize = 6,
                  segment = FALSE, vname = NULL)

# Step 3: imprimer le plot modifié
print(p)

Exemple 5 : ACM spécifique médiapolis (pas fait en séance)

A VOUS DE JOUER !!